AI vs ML vs DL: в чем разница?

Люди часто используют термины AI, ML и DL так, будто они означают одно и то же. Эти понятия тесно связаны, но не идентичны.

Проще всего представить их как вложенные круги, как на обложке: самый большой — AI, внутри него ML, а внутри ML — DL.

Другими словами:

• AI — самая широкая область.
• ML — один из способов создавать AI-системы, обучая их на данных.
• DL — вид машинного обучения, основанный на глубоких нейронных сетях.

Итак, любое глубокое обучение относится к машинному обучению, а любое машинное обучение входит в более широкую область AI — но не всякий AI использует машинное обучение.

Что такое искусственный интеллект?

Искусственный интеллект, или AI, — самое широкое понятие.

Он относится к компьютерным системам, созданным для выполнения задач, которые обычно требуют определенной формы человеческого интеллекта. Это может быть понимание языка, распознавание речи, определение объектов на изображениях, рекомендации, планирование действий или ответы на вопросы.

Примеры AI:

• голосовой помощник, отвечающий на устный запрос;
• навигационная система, выбирающая маршрут;
• программа, играющая в шахматы;
• система, обнаруживающая подозрительные транзакции;
• чат-бот, отвечающий на вопросы.

AI не обозначает одну конкретную технологию. Некоторые AI-системы основаны на фиксированных правилах, написанных программистами. Другие используют машинное обучение. Современные системы нередко сочетают несколько подходов.

Поэтому фраза «продукт использует AI» говорит о типе возможностей, которые он предоставляет, но не обязательно объясняет, как именно он устроен внутри.

Что такое машинное обучение?

Машинное обучение, или ML, — это часть AI.

Вместо того чтобы вручную прописывать каждое правило, разработчики дают модели данные и примеры, чтобы она научилась находить закономерности.

Рассмотрим спам-фильтр. Традиционная система на основе правил могла бы содержать, например, такую инструкцию:

Если письмо содержит определенные фразы или подозрительные ссылки, пометить его как спам.

Но вручную описать все возможные варианты спама слишком сложно.

Модель машинного обучения может обучиться на тысячах или миллионах примеров спама и обычных писем. После обучения она оценивает, больше ли новое сообщение похоже на спам или на обычное письмо.

Та же общая идея используется во многих областях:

• рекомендательные системы;
• выявление мошенничества;
• прогнозирование поведения пользователей;
• прогнозирование спроса;
• классификация;
• поиск и ранжирование.

Полезное правило:

AI описывает более широкую цель. ML описывает один из способов, с помощью которых система учится достигать этой цели.

Что такое глубокое обучение?

Глубокое обучение, или DL, — это вид машинного обучения.

В глубоком обучении используются нейронные сети с большим количеством слоев. Такие сети способны находить сложные закономерности в больших объемах данных.

Глубокое обучение особенно важно для данных, которые трудно описать простыми правилами, например:

• текст;
• речь;
• изображения;
• видео;
• музыка и другие виды аудио.

Многие AI-системы, ставшие популярными в последние годы, в значительной степени опираются на глубокое обучение.

Например, современные системы распознавания речи, генерации изображений, большие языковые модели и естественно звучащий синтез речи обычно основаны на глубоких нейронных сетях.

Связь можно представить так:

Термин	Основная идея	Пример
AI	Решать задачи, требующие интеллекта	Голосовой помощник
ML	Учиться на данных	Понять намерение
DL	Учиться на данных с помощью глубоких нейросетей	Перевод речи в текст или генерация текста

Пример голосового AI

Голосовой помощник — хороший пример, потому что в нем одновременно могут использоваться AI, машинное обучение и глубокое обучение.

Представим, что пользователь говорит:

«Какая сегодня погода?»

Голосовая система может обработать запрос в несколько этапов:

1. Голос пользователя
2. Speech-to-Text (STT)
3. Понимание языка / LLM
4. Текстовый ответ
5. Text-to-Speech (TTS)
6. Ответ голосом

Всю эту систему можно назвать AI, потому что она выполняет интеллектуальную задачу: слушает, понимает запрос и отвечает.

Внутри системы машинное обучение может использоваться для распознавания закономерностей, определения языка, классификации намерения пользователя или выбора релевантной информации.

Распознавание речи, языковая модель и современный синтез речи часто строятся на основе глубокого обучения.

Это похоже и на голосовые AI-системы, в которых объединяются STT, языковые модели и TTS, в том числе на решения, развиваемые NeuronAI.

Таким образом, один AI-продукт может содержать множество моделей машинного обучения, а часть из них может быть построена на глубоком обучении.

Каждый этап подробнее разобран в отдельных статьях: что такое STT, что такое LLM и что такое TTS.

Почему эти термины часто путают?

Есть несколько причин. Во-первых, AI — самый знакомый широкой аудитории термин. Компании и медиа часто используют его как общее название, даже когда конкретная технология относится к машинному или глубокому обучению.

Во-вторых, большинство известных сегодня AI-систем работает на базе машинного обучения. Поэтому AI и ML иногда кажутся почти взаимозаменяемыми понятиями.

В-третьих, многие крупнейшие достижения последних лет в машинном обучении связаны именно с глубоким обучением — особенно в области языка, речи и компьютерного зрения.

В результате три термина часто употребляются вместе, хотя они описывают разные уровни технологии.

Использует ли каждая AI-система глубокое обучение?

Нет. Система может считаться AI даже без машинного обучения.

Например, классическая экспертная система может работать по большому набору заранее заданных правил. Она способна решать задачу, требующую интеллектуального поведения, хотя и не учится на данных.

Точно так же система машинного обучения не обязательно использует глубокое обучение.

Существует множество методов ML, которые не являются глубокими нейронными сетями, включая деревья решений, линейные модели, метод опорных векторов и алгоритмы градиентного бустинга.

Внутри AI можно выделить несколько направлений:

• Системы на основе правил
• Машинное обучение: классические методы ML и глубокое обучение
• Другие подходы AI

Когда эта разница имеет значение?

Различие становится важным, когда вы хотите понять, что именно происходит внутри продукта.

Если кто-то говорит «Мы используем AI», это очень широкое утверждение. Система может использовать правила, машинное обучение, глубокое обучение или сразу несколько технологий.

Если кто-то говорит «Мы используем машинное обучение», мы уже знаем, что система учится находить закономерности в данных.

Если кто-то говорит «Мы используем глубокое обучение», мы знаем, что система использует многослойные нейронные сети, обычно для более сложных задач и больших наборов данных.

Эти различия могут влиять на:

• объем данных, необходимых для обучения;
• требуемую вычислительную мощность;
• сложность разработки и поддержки системы;
• скорость ее работы;
• типы задач, которые она может эффективно решать.

То есть эта терминология важна не только в теории. Она имеет значение и для инженерной разработки, и для создания продуктов.

Самый простой способ запомнить

Если из этой статьи запомнить только одну мысль, пусть это будет следующая:

AI — большой зонтик. ML — часть AI. DL — часть ML.

Или еще короче:

• AI — более широкая цель
• ML — обучение на данных
• DL — обучение с помощью глубоких нейронных сетей

AI, ML и DL — не конкурирующие технологии. Это вложенные понятия, описывающие разные уровни одной области.

Когда эта иерархия становится понятной, разбираться в обсуждениях современного AI становится гораздо проще.

Попробуйте эти технологии в NeuronAI

Голосовая цепочка из примера выше состоит из частей, которые можно попробовать самостоятельно. Speech-to-Text превращает запись в текст, а Text-to-Speech — текст в голос; оба сервиса работают с узбекским, русским и английским языками. Чтобы понять, как языковая модель встраивается в продукт, откройте страницу NeuronAI LLM.